摘要
森林与人类的生产生活关系极为密切。作为一种重要的自然资源，在社会经济建设和可持续发展中扮演着重要的角色。森林资源的减少会加剧木材与林副产品市场的供需矛盾，阻碍社会经济的发展。在全世界范围内，导致森林资源急剧减少的其中两个主要原因分别是森林火灾和病虫害。 近年来，随着计算机技术的快速发展，基于视觉的森林灾害检测成为了林业资源保护领域中的研究热点。目前，常用的基于视觉的森林火灾与病虫害检测方法可分为两大类:基于手工设计特征的方法以及基于深度学习的方法。传基于手工特征的方法往往利用颜色、纹理、形状和运动等特征进行检测。然而，这类方法往往只针对特定的场景，缺乏良好的鲁棒性和泛化性。随着人工智能技术的进步，现有基于深度学习的方法在很大程度上提升了系统的性能，但其性能仍然难以满足实际应用的需求，尤其是现有基于深度学习的病虫害模型仅能完成简单的识别与定位。为了提高火灾检测方法的性能，本文基于深度学习提出了一种多尺度特征提取、密集跳跃连接和通道注意力机制的森林火灾检测方法;针对现有森林病虫害检测方法无法满足实际需求的问题，本文基于深度学习提出了一种多尺度特征聚合和自注意力机制的森林病虫害检测与灾害等级分析方法;最后，在这种两种算法的基础上，实现了森林火灾与病虫害检测系统。 本文的主要研究内容和创新点如下: 1.本文提出了一种基于多尺度特征提取、密集跳跃连接和通道注意力机制的森林火灾检测方法。该方法在检测准确率、速度和模型复杂度方面较之现有的方法具有一定的优势。该模型的准确率达到了95.3％，比次优方法高了2.5％。在该模型中，本文采用小卷积核和减少特征图的数量大幅度降低了模型的复杂度并提高了模型的速度。在相似准确率下，模型的复杂度比次优方法低63.64％，仅4.80MB。模型速度为63.5fps，比次优方法高3.76％。因此，本文的方法在检测准确率、模型复杂度和检测速度之间取得了一个更好的平衡。 2.本文提出了一种基于多尺度特征聚合和自注意力机制的森林病虫害语义分割模型。该算法在病虫害语义分割数据集上比现有的语义分割算法有更好的性能。该算法利用多尺度特征聚合模块来丰富空间细节信息以优化目标边界的分割，并采用自注意力机制来捕获通道特征的重要性以及高层特征空间各节点之间的类内一致性。其平均交并比(mean intersection over union，mean IoU)达到了68.4％，比次优方法高了2.3％。 3.在上述算法的基础之上，本文针对森林中经常发生的火灾与病虫害这两类异常灾害事件，研制了一套综合的智能森林灾害检测系统。该系统通过大量数据进行端到端的训练，可以在无需人为监测的情况下，实现森林灾害的智能检测。 4.为了分别对森林火灾与病虫害模型进行训练，本文建立了两个对应的数据集。森林火灾数据集包含50000张图片，其中25000张包含火焰，另外25000张不包含火焰。值得说明的是，火灾检测数据集包含大量的强干扰目标，如火烧云、晚霞和红色的物体等。森林病虫害分割数据集包含从野外真实环境采集的17500张高清图片，具有多类植物病虫害样本。为了进行语义分割，本文对这些图片进行了手工标注。另外，该数据集还可以用于病虫害图像分类任务。这两个数据集是各自领域内目前最大数据集，对于推动各自领域的发展具有重要的意义。
NETL